Les auto-encodeurs sont un type de réseau neuronal artificiel utilisé pour apprendre des représentations de données efficaces, ou « encodages », d’entrées données. Les auto-encodeurs sont une technique d'apprentissage non supervisée dans laquelle le réseau est entraîné à encoder et à décoder une représentation des données d'entrée. La sortie de l'auto-encodeur sera similaire à l'entrée, mais les représentations des données codées sont souvent plus adaptées que les données d'origine pour une tâche particulière. Les encodeurs automatiques peuvent être utilisés pour le débruitage des données, la réduction de dimensionnalité et l'extraction de fonctionnalités.
Les auto-encodeurs sont constitués de deux parties : l'encodeur et le décodeur. La partie encodeur de l’encodeur automatique transforme les données d’entrée en un ensemble de fonctionnalités via une série de couches cachées – également appelées représentation compressée. Le décodeur reconstruit ensuite les données d'entrée à partir de la représentation codée. Le but de l'auto-encodeur est d'apprendre la représentation la plus efficace des données d'entrée, de sorte que lorsque les données auto-encodées sont renvoyées via le décodeur, le résultat soit aussi similaire que possible à l'entrée d'origine.
Les encodeurs automatiques ont de nombreuses applications, de la classification d'images au résumé de texte. Dans les tâches de classification d'images, les encodeurs automatiques sont utilisés pour réduire la dimensionnalité des données d'entrée, pour identifier les caractéristiques importantes et pour réduire la quantité de bruit présente dans les données. Pour le résumé de texte, des encodeurs automatiques sont utilisés pour générer un résumé condensé d'un texte. D'autres applications des auto-encodeurs incluent la détection d'anomalies, le regroupement de données et la génération de données.
Les auto-encodeurs sont un outil utile pour ceux qui cherchent à avoir un aperçu de leurs données. En apprenant la représentation la plus efficace des données, ils peuvent être utilisés pour identifier les caractéristiques clés, réduire la dimensionnalité et débruiter les données.
